1.一种基于融合极限学习机的多光谱掌纹识别方法，其特征在于，包括：

获取待识别的多光谱掌纹图像；

将待识别的多光谱掌纹图像输入至多光谱掌纹识别网络模型，得到掌纹身份信息；

所述多光谱掌纹识别网络模型是通过联合损失函数和多个训练数据对融合极限学习机训练后得到的；所述训练数据包括作为样本的多光谱掌纹图像、以及作为样本的多光谱掌纹图像中每个光谱段的掌纹图像对应的one‑hot身份标签向量；所述融合极限学习机包括多个极限学习机网络模型以及与每个极限学习机网络模型输出端连接的身份识别模块；

不同的所述极限学习机网络模型用于输入不同光谱段的掌纹图像；所述联合损失函数是由网络结构损失函数、多光谱融合预测损失函数以及单光谱预测损失函数所组成的损失函数。

2.根据权利要求1所述的一种基于融合极限学习机的多光谱掌纹识别方法，其特征在于，所述极限学习机网络模型用于根据输入对应的光谱段的掌纹图像，得到隐藏层输出特征向量；所述身份识别模块用于根据每个极限学习机网络模型的隐藏层输出特征向量，生成掌纹身份信息向量。

3.根据权利要求1或者2所述的一种基于融合极限学习机的多光谱掌纹识别方法，其特征在于，所述身份识别模块用于根据每个极限学习机网络模型的隐藏层输出特征向量生成身份匹配分数权重，对不同极限学习机网络模型预测的身份匹配分数执行光谱信息加权融合策略，生成掌纹身份信息向量。

4.根据权利要求1所述的一种基于融合极限学习机的多光谱掌纹识别方法，其特征在于，所述多光谱融合预测损失函数为计算多光谱融合输出和目标输出之间的均方误差的函数；所述多光谱融合输出为所述身份识别模块输出的掌纹身份信息向量；所述目标输出为对应的one‑hot身份标签向量。

5.根据权利要求1所述的一种基于融合极限学习机的多光谱掌纹识别方法，其特征在于，所述单光谱预测损失函数为计算单个光谱极限学习机网络模型输出和目标输出之间的加权均方误差的函数；所述极限学习机网络模型输出为所述极限学习机网络模型输出的掌纹身份信息向量，所述目标输出为对应的one‑hot身份标签向量。

6.根据权利要求1所述的一种基于融合极限学习机的多光谱掌纹识别方法，其特征在于，所述网络结构损失函数为计算所有目标网络参数的矩阵范数之和的函数；所述目标网络参数为极限学习机网络模型中连接隐藏节点到输出节点的权重向量。

7.一种基于融合极限学习机的多光谱掌纹识别系统，其特征在于，包括：

待识别多光谱掌纹图像获取模块，用于获取待识别的多光谱掌纹图像；

掌纹身份信息识别模块，用于将待识别的多光谱掌纹图像输入至多光谱掌纹识别网络模型，得到掌纹身份信息；

所述多光谱掌纹识别网络模型是通过联合损失函数和多个训练数据对融合极限学习机训练后得到的；所述训练数据包括作为样本的多光谱掌纹图像、以及作为样本的多光谱掌纹图像中每个光谱段的掌纹图像对应的one‑hot身份标签向量；所述融合极限学习机包括多个极限学习机网络模型以及与每个极限学习机网络模型输出端连接的身份识别模块；

不同的所述极限学习机网络模型用于输入不同光谱段的掌纹图像；所述联合损失函数是由网络结构损失函数、多光谱融合预测损失函数以及单光谱预测损失函数所组成的损失函数。

8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至6中任一项所述的一种基于融合极限学习机的多光谱掌纹识别方法。